4. 鱼眼图像去畸变

鱼眼相机以超大视场角为环视泊车提供“看得广”的优势，但代价是图像存在强烈的桶形畸变：直线被弯成弧线，近处物体被拉伸，远处目标被压缩。若直接把原始鱼眼图拼接成俯视图，车道线、车位线和障碍物轮廓都会严重变形，测距与定位随之失真。因此，去畸变是鱼眼环视与超声波融合泊车链路中不可跳过的一步，它把“广角但变形”的原始图像转换为“几何可信”的校正图像，为后续透视变换、鸟瞰拼接和超声波融合提供统一的空间基准。

一、畸变校正模型：从物理模型到多项式近似

鱼眼畸变校正的核心是建立“畸变图像坐标”与“理想针孔图像坐标”之间的映射关系。工程上最常用的是多项式径向畸变模型：给定理想归一化坐标 (x, y)，先计算半径 r，再通过 θ 或 r 的多项式得到畸变半径 r_d，最后按比例缩放回像素坐标。常见形式包括等距投影模型、Kannala-Brandt 模型以及 OpenCV 的 fisheye 模型。

对于泊车环视，相机通常固定安装、焦距与安装角已知，因此更实用的做法是采用标定+查表：先用棋盘格标定得到内参和畸变系数，再离线生成一张“目标像素 → 源像素”的映射表。这样运行时只需查表采样，避免每帧重复求解非线性方程，兼顾精度与速度。

二、映射表生成：离线计算，在线查表

映射表生成的一般流程如下：

1. 确定输出图像尺寸与虚拟针孔相机内参（焦距、主点），即“希望得到怎样的无畸变视图”。
2. 对输出图像每个像素 (u, v)，反投影到归一化平面，得到理想坐标 (x, y)。
3. 代入畸变模型，计算对应的畸变坐标 (x_d, y_d)。
4. 用鱼眼相机内参把 (x_d, y_d) 映射回原始像素坐标 (u_s, v_s)。
5. 将 (u_s, v_s) 以定点或浮点格式写入映射表，供实时采样使用。

映射表通常包含 map_x 与 map_y 两个通道，尺寸与输出图像一致。若输出为 1280×720，单通道 float32 约 3.6 MB，双通道约 7.2 MB；若改为 int16 定点表示，可压缩到约 3.6 MB，适合嵌入式平台缓存。对于多路鱼眼，每路相机各有一张表，需按相机编号管理。

// 映射表生成伪代码
for v in 0..H_out:
  for u in 0..W_out:
    x = (u - cx_out) / fx_out
    y = (v - cy_out) / fy_out
    r = sqrt(x*x + y*y)
    theta = atan(r)
    theta_d = theta * (1 + k1*theta^2 + k2*theta^4 + k3*theta^6 + k4*theta^8)
    scale = (r > 1e-6) ? theta_d / r : 1.0
    x_d = x * scale
    y_d = y * scale
    u_s = fx_in * x_d + cx_in
    v_s = fy_in * y_d + cy_in
    map_x[v][u] = u_s
    map_y[v][u] = v_s

三、插值方法：双线性、双三次与边缘保护

映射得到的源坐标通常不是整数，必须插值。最常用的是双线性插值：取周围 4 个像素加权平均，速度快、实现简单，但在强畸变边缘容易产生轻微模糊。若对画质要求更高，可用双三次插值，取 4×4 邻域，边缘更锐利，但计算量约为双线性的 4 倍。对于泊车场景，车道线和车位线是重要特征，过度模糊会影响后续检测，因此在中高端平台可优先双三次，在低算力平台用双线性并配合锐化补偿。

另一个易被忽视的问题是边界处理：去畸变后图像四角可能超出原始鱼眼有效区域，若直接采样会得到黑边或错误像素。工程上通常将无效区域标记为 0 或 255，并在拼接阶段做掩膜融合，避免黑边进入鸟瞰图。

四、实时性优化与画质评估

去畸变是环视链路中计算量较大的环节之一，尤其四路 1080P 同时处理时。常见优化手段包括：

• 查表替代实时计算：把非线性模型求解移到离线，运行时只做采样。
• 定点化与 SIMD：将 map_x/map_y 转为 int16，利用 NEON 或 SSE 并行处理 8/16 像素。
• 降低输出分辨率：泊车俯视图对分辨率要求低于原始感知图，可先降采样再去畸变。
• ROI 裁剪：只对有效环视区域生成映射表，减少无效像素计算。
• GPU/专用 ISP：把 remap 操作卸载到 GPU 或相机 ISP 的畸变校正模块。

画质评估不能只看“看起来直不直”。建议从以下维度量化：

五、案例：四路鱼眼去畸变在泊车中的落地

某量产泊车项目使用 4 颗 190° 鱼眼相机，原始输出 1280×960。离线阶段用棋盘格标定得到每路内参与畸变系数，生成 640×480 的映射表，采用 int16 定点存储，单表约 1.2 MB。运行时在 SoC 的 DSP 上执行 remap，双线性插值，单路耗时约 5 ms，四路并行约 12 ms，满足 30 fps 要求。去畸变后图像送入透视变换生成鸟瞰图，再与超声波雷达点云融合。复盘发现，最初使用双线性且未做边界掩膜，导致拼接缝处出现黑边和轻微错位；加入无效区域掩膜并改用双三次插值后，车位线连续性明显改善，融合定位误差从 15 cm 降至 8 cm。

总结来看，鱼眼去畸变的工程要点可以归纳为：模型决定几何正确性，映射表决定运行效率，插值决定画质细节，优化决定实时性，评估决定最终能否稳定支撑泊车融合。只有把这五者协同好，环视系统才能在真实车位中“看得广、看得准、看得快”。